图神经网络架构在网络数字孪生中的有效性分析
网络与互联网体系结构
2025-08-05 v1 分布式、并行与集群计算
摘要
未来的网络（如 6G）需要支持广泛且多样化的互联设备和应用程序，每个都有自己的需求。尽管传统的网络管理方法仍然适用，但自动化解决方案日益成为必需。然而，网络自动化框架容易出错，常采用需要通过训练学习网络如何被优化的机器学习技术。在此意义上，网络数字孪生（Network Digital Twin, NDT）是一种有用工具，允许在不影响实际网络和用户的前提下进行仿真、测试和训练 AI 模型。本文提出了一种基于 AI 的网络数字孪生（AI-NDT），利用多层次知识图谱架构和图神经网络来预测直接影响用户体验质量的网络指标。对四种最突出的图神经网络（GNN）架构进行了评估，以评估其在开发网络数字孪生中的有效性。我们使用来自 RIPE Atlas 的公开测量数据训练数字孪生，从而获得接近真实世界应用的实验结果。结果表明，在所评估的四种架构中，GraphTransformer 表现最佳。然而，在训练时间较短且仍能提供可接受结果的场景中，其他架构可能更合适。本工作的结果指向未来一种被广泛采纳的实践，为主动网络管理提供一种可扩展且精确的解决方案，符合下一代网络的需求。
引用
@article{arxiv.2508.02373,
title = {On Effectiveness of Graph Neural Network Architectures for Network Digital Twins (NDTs)},
author = {Iulisloi Zacarias and Oussama Ben Taarit and Admela Jukan},
journal= {arXiv preprint arXiv:2508.02373},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication